作者: L.H. Zhu (UCLA)
年份:2016
期刊:TKDE
1)时间平滑度:个体随着时间的推移而逐渐改变其潜在位置。
2)网络嵌入:交互网络中的两个节点,在网络距离上也很接近,在时间潜在空间中,在潜在空间距离上也很接近。
3)潜在的同质性:两个在潜在空间中彼此接近的成员比两个遥远的成员相互作用的频率更频繁。
arg
min
Z
1
,
…
,
Z
t
∑
τ
=
1
t
∥
G
τ
−
Z
τ
Z
τ
T
∥
F
2
+
λ
∑
τ
=
1
t
∑
u
(
1
−
Z
τ
(
u
)
Z
τ
−
1
(
u
)
T
)
\underset{Z_{1}, \ldots, Z_{t}}{\arg \min } \sum_{\tau=1}^{t}\left\|G_{\tau}-Z_{\tau} Z_{\tau}^{T}\right\|_{F}^{2}+\lambda \sum_{\tau=1}^{t} \sum_{u}\left(1-Z_{\tau}(u) Z_{\tau-1}(u)^{T}\right)
Z1,…,Ztargmin∑τ=1t∥∥Gτ−ZτZτT∥∥F2+λ∑τ=1t∑u(1−Zτ(u)Zτ−1(u)T)
subject to
:
∀
u
,
τ
,
Z
τ
≥
0
,
Z
τ
(
u
)
Z
τ
(
u
)
T
=
1
: \forall u, \tau, Z_{\tau} \geq 0, Z_{\tau}(u) Z_{\tau}(u)^{T}=1
:∀u,τ,Zτ≥0,Zτ(u)Zτ(u)T=1
第一项是根据图学习低维表示。
正交约束:让同行相乘为1,不同行向量相乘为0,保证每行不冗余,信息最大化。
第二项是一个针对于变化的惩罚项。如果前后时刻的特征向量不变(最好情况),那么惩罚项为0;否则>0。
最后用
G
T
+
1
=
Z
t
Z
t
T
G_{T+1}=Z_tZ_t^T
GT+1=ZtZtT来表示(文中还推导了一下)
也可以做映射函数
G
T
+
1
=
f
(
Z
1
,
Z
2
,
.
.
.
,
Z
T
)
G_{T+1}=f(Z_1,Z_2,...,Z_T)
GT+1=f(Z1,Z2,...,ZT)
也可以用 ∣ ∣ G t − Z t B Z t T ∣ ∣ F 2 ||G_t-Z_tBZ_t^T||_F^2 ∣∣Gt−ZtBZtT∣∣F2,如果B是对称的,则底层图是无向的;否则,它是有向的。B表示特征之间的映射关系。